VIO初期化2026/9/18arXiv:2609.21186

直線特徴と消失点を活用した頑健な非構造化単眼視覚慣性初期化

Robust Structureless Monocular Visual Inertial Initialization Exploiting Line Features and Vanishing Points

3D構造の再構成を行わず、追跡した2D直線特徴の幾何制約を直接利用して、退化運動下でも高精度な単眼VIOの初期化を実現する手法を提案した。

詳しい要約

1. どんなもの？

- 単眼 VIO の初期化手法 SLIM-init を提案する研究。 - 3D landmark の再構成を行わない structureless な初期化器。 - 追跡した 2D line features の幾何拘束を直接利用する。 - degenerate motion 下での初期化の不適切性(ill-conditioned)を改善することを狙う。 - 公開 benchmark と独自の degenerate-motion 系列で評価。

2. 先行研究と比べてどこがすごい？

- 既存手法は十分な observability のため励起運動を要求するか、計算コストの高い 3D 構造再構成に依存していた。 - SLIM-init は 3D landmark 再構成を明示的に行わず、2D line features から直接拘束を得る。 - low-parallax や translation-dominant といった degenerate 状況でも回転拘束を提供できる点が異なる。 - 公開 benchmark と独自の難易度の高い degenerate-motion 系列で、state-of-the-art 初期化法より精度・頑健性が向上したと主張。

3. 技術・手法の肝は？

- structureless な単眼 VIO 初期化器。 - 追跡した 2D line features から line-derived vanishing points (VPs) を利用。 - VPs を translation-invariant な orientation cue として用い、回転のみの拘束を提供。 - line epipolar residual で並進を拘束。 - line-normal projection residual で線形 alignment の conditioning を改善。 - これらにより初期状態推定の精度と頑健性を高める。

4. どうやって有効だと検証した？

- 公開 benchmark 上で評価。 - 挑戦的な独自の degenerate-motion 系列でも評価。 - state-of-the-art の初期化手法と比較し、精度と頑健性の向上を示した。 - 具体的なデータセット名や指標は要旨からは不明。

5. 議論はある？

- 既存手法の励起運動要求や高コストな 3D 再構成依存を問題として議論。 - degenerate 状況(low-parallax、translation-dominant)での初期化の conditioning を焦点にしている。 - 限界や失敗ケース、計算コストの詳細な議論は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照・比較されている具体的な既存研究名は記載されていない。 - 関連手法として monocular VIO initialization、vanishing point を用いた orientation estimation、line features を用いた visual odometry の定番研究を挙げる。 - ソースコード: https://github.com/cjunwan/SLIM-init

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Junwan Choi, Woongrae Jo, Dong-Uk Seo, Jinwoo Jeon, Hyun Myung

分類: cs.RO, cs.CV

原文アブストラクト

Accurate initialization is essential for reliable visual-inertial odometry (VIO), but it is often ill-conditioned under degenerate motions. Existing methods typically require restrictive excitation motions to ensure sufficient observability or rely on computationally expensive 3D structure reconstruction, limiting efficient and practical deployment. To address these limitations, we propose SLIM-init, a structureless monocular VIO initializer that directly exploits geometric constraints from tracked 2D line features without explicit 3D landmark reconstruction. Specifically, SLIM-init leverages line-derived vanishing points (VPs) as translation-invariant orientation cues to provide robust rotation-only constraints under degenerate scenarios such as low-parallax or translation-dominant motions. It further incorporates a line epipolar residual to constrain translation and a line-normal projection residual to improve the conditioning of linear alignment, enhancing the accuracy and robustness of initial state estimation. Extensive experiments on a public benchmark and challenging custom degenerate-motion sequences demonstrate improved accuracy and robustness over state-of-the-art initialization methods. The source code is available at: https://github.com/cjunwan/SLIM-init.

arXivで原文を読む →arXiv概要ページ

← 論文一覧